Essa análise tem como objetivo analisar como está sendo a distribuição de vacinações entre gestantes e puérperas por raça. Os dados são obtidos em https://opendatasus.saude.gov.br/dataset/covid-19-vacinacao na data de 10/novembro/2021. A extração dos dados é realizada por meio de consultas à API ElasticSearch disponibilizada em https://opendatasus.saude.gov.br/dataset/covid-19-vacinacao.
Além disso, visando diminuir o volume de dados retornado pelas consultas, é realizada uma pré-filtragem dos dados diretamente na API, sendo retornados apenas registros cujo campo vacina_grupoAtendimento_codigo seja igual a 1901 (código para puérpera) ou 1801 (código para gestante). Essa etapa de extração foi realizada por meio de nossa parceira PCDaS (https://pcdas.icict.fiocruz.br/).
Nos dados tratados foi mantido na base de dados somente observações que eram consistentes, ou seja, gestantes e puérperas entre 10 e 55 anos, sexo feminino e vacinação em 2021. Qualquer observação que fugisse dessas característticas foi descartada da análise.
library(tidyverse)
dados_tratados <- readRDS("dados_vac_select.rds")
str(dados_tratados)
## tibble [1,739,579 × 17] (S3: tbl_df/tbl/data.frame)
## $ paciente_id : chr [1:1739579] "7b2871edf517694a5f2aaba7e2c417bac06a6714f4bda690ca19c731ed3a5473" "3e889954ad1563d371469771b8fff9482095af658cb83ef640b781c569511f4f" "8b7980ad661929457febef1cde3d609098dcb61ed75c036295cbfc07f6770532" "a5af56adb33a1ba2758b8e4c31fb3d0a09a3315db9c10dd44f568bdd0b0cb4be" ...
## $ dt_nasc : Date[1:1739579], format: "1996-05-26" "1989-05-16" ...
## $ dt_aplic : Date[1:1739579], format: "2021-05-08" "2021-05-11" ...
## $ dt_import : Date[1:1739579], format: "2021-05-18" "2021-05-17" ...
## $ ano_aplic : int [1:1739579] 2021 2021 2021 2021 2021 2021 2021 2021 2021 2021 ...
## $ mes_aplic : int [1:1739579] 5 5 5 5 5 5 5 5 5 5 ...
## $ gest_puerp : chr [1:1739579] "puerp" "puerp" "puerp" "puerp" ...
## $ idade_anos : num [1:1739579] 24 31 28 23 24 34 34 24 30 21 ...
## $ raca : chr [1:1739579] "parda" "parda" "branca" "amarela" ...
## $ resid_uf : chr [1:1739579] "BA" "GO" "PE" "PE" ...
## $ resid_muni : num [1:1739579] 290570 520870 261400 260775 120040 ...
## $ paciente_endereco_nmMunicipio: chr [1:1739579] "CAMACARI" "GOIANIA" "SERRITA" "ITAPISSUMA" ...
## $ qual_vacina : chr [1:1739579] "AstraZeneca" "AstraZeneca" "Pfizer" "Pfizer" ...
## $ num_dose : chr [1:1739579] "1a dose" "1a dose" "1a dose" "1a dose" ...
## $ aplic_uf : chr [1:1739579] "BA" "GO" "PE" "PE" ...
## $ aplic_muni : num [1:1739579] 291920 520870 261400 260960 120040 ...
## $ aplicacao_muni : chr [1:1739579] "LAURO DE FREITAS" "GOIANIA" "SERRITA" "OLINDA" ...
attach(dados_tratados) #criminoso contra a memória mas só foi assim
summarytools::ctable(raca, num_dose)
## Cross-Tabulation, Row Proportions
## raca * num_dose
##
## ---------- ---------- ---------------- ---------------- ---------------- -------------- ------------------
## num_dose 1a dose 2a dose dose adicional dose unica Total
## raca
## amarela 159400 (57.8%) 115864 (42.0%) 187 (0.07%) 185 (0.07%) 275636 (100.0%)
## branca 346261 (54.8%) 284091 (45.0%) 540 (0.09%) 551 (0.09%) 631443 (100.0%)
## indigena 1193 (61.1%) 757 (38.7%) 4 (0.20%) 0 (0.00%) 1954 (100.0%)
## parda 285581 (57.7%) 208611 (42.1%) 352 (0.07%) 411 (0.08%) 494955 (100.0%)
## preta 46672 (57.3%) 34570 (42.5%) 70 (0.09%) 101 (0.12%) 81413 (100.0%)
## <NA> 142064 (55.9%) 111490 (43.9%) 317 (0.12%) 307 (0.12%) 254178 (100.0%)
## Total 981171 (56.4%) 755383 (43.4%) 1470 (0.08%) 1555 (0.09%) 1739579 (100.0%)
## ---------- ---------- ---------------- ---------------- ---------------- -------------- ------------------
p1 <- ggplot(dados_tratados, aes(x = num_dose)) +
geom_bar(aes(fill = raca), position = "dodge") +
scale_fill_viridis_d(na.value = "gray50") +
labs(x = "Tipo de dose") +
theme_bw()
plotly::ggplotly(p1)